新型正弦信号辅助多变量变化模式分解与与任务相关的组件分析相结合,以提高基于SSVEP的BCI性能

科学领域:

• 神经科学是一个神经科学.
• 信号处理 信号处理
• 生物医学工程 生物医学工程

背景情况:

• 基于稳态视觉唤起潜力 (SSVEP) 的脑计算机接口 (BCI) 提供高性能和多个命令输出.
• 从SSVEP的单个和元件中提取独特的特征可以增强BCI识别.
• 现有的子频段分析方法很难有效地隔离和利用独立的SSVEP和元件.

研究的目的:

• 提出一种新的算法,以更好地从SSVEP信号中提取独立的和元件.
• 为基于SSVEP的BCI开发一种新方法,利用这些提取的组件来提高识别准确性.
• 为了解决SSVEP子带分析当前方法的局限性.

主要方法:

• 引入了一个正弦信号辅助多变量变化模式分解 (SA-MVMD) 算法,通过先前的频率知识限制内在模式函数 (IMF).
• 确保保护目标信号信息,避免在分解过程中混合模式.
• 开发了一种基于SA-MVMD的任务相关组件分析 (SA-MVMD-TRCA) 方法,以利用整体和和的SSVEP功能.

主要成果:

• 该SA-MVMD算法有效地提取SSVEP的独立波组件,而无需模式混合.
• 在SSVEP基准数据集上,SA-MVMD-TRCA方法显著优于现有的基于过器银行的控制方法.
• 证明了对整体和个体和特征的优越利用,以提高识别能力.

结论:

• 拟议的SA-MVMD算法有效地分解SSVEP信号并提取独立的和元件.
• 基于SSVEP的BCI性能提高的SA-MVMD-TRCA方法提供了一个有希望的策略.
• 这项研究为分析和利用SSVEP波来推进BCI技术提供了新的视角.